Whisperで文字起こしをする方法。何ができて、何ができないか

先に結論を3行で。

• Whisper（ウィスパー）での文字起こしはやり方が3つあります。ブラウザで試す・OpenAIのAPIに投げる・自分のMacで動かす。違いは費用よりも「音声がどこへ行くか」と「手間」です。自分のMacで動かせば料金はかかりません。
• 速さは、多くの人が心配するほどの問題になりません。当社の実機では10分の録音を文字にするのに約23秒（実時間の26倍）でした。ただしこれはApple M5のMacでの値です。世代が古いMacでは時間は伸びます。
• 本当の問題は精度の癖のほうです。当社が2026年8月に測ったところ、固有名詞を先に渡しておくと正解率は47.2%から75.0%に上がりました。ただし4通り試して1度も直らなかった語があり、同じ設定でも喋る人が変わると結果が割れました。「登録すれば直る」ではありません。

この記事は、Whisperで文字起こしをするときに何ができて、何ができないかを、公式の記載と当社の実測値の両方でまとめたものです。確認日：2026年8月24日。

この記事は、ローカルで完結する音声入力アプリ「ロカオン」を開発する合同会社ヒバナが書いています。当社製品の話が出てくる箇所には、その都度「当社製品」と明記します。

Whisperとは何か（3行で）

WhisperはOpenAIが公開している音声認識のモデルです。公式リポジトリには「Whisperのコードとモデルの重みはMITライセンスで公開されています」と明記されていて、自分で動かすかぎり料金はかかりません。対応言語は99言語で、日本語も含まれます（large-v3のモデルカードの記載）。

もうひとつ、最初に分けておきたいことがあります。「文字起こし」と「音声入力」は別の作業だということです。

	文字起こし	音声入力
入り口	録音済みの音声ファイル	いま喋っている声
待てる時間	数分待ってよい	1秒待たされると使えない
出口	テキストファイル	いま開いている画面のカーソル位置

同じWhisperを使っていても、求められる作りがまったく違います。この記事は前者（文字起こし）の話ですが、後者を探して来た方のために、最後に違いをもう一度書きます。

文字起こしのやり方は3つある

大きく3つです。費用よりも「音声がどこへ行くか」で選ぶのが実務的です。

やり方	費用	手間	音声の行き先	向いている人
ブラウザで試す（公開されている実演ページ）	無料	ほぼゼロ	その運営者のサーバー	まず1回試したい
OpenAIのAPIに投げる	1分あたり0.006ドル（whisper-1の場合）	少し要る（鍵の取得・呼び出し）	OpenAI	本数が多い・手元の機械が非力
自分のMacで動かす	0円	いちばん要る（環境づくり）	どこにも行かない	外に出せない音声を扱う

やり方1：ブラウザで試す（5分）

1. Whisperを動かせる公開ページ（Hugging Faceの実演ページなど）を開く
2. 音声ファイルを画面にドラッグする。マイクからその場で録音できるページもあります
3. 実行して、出てきた文字をコピーする

入れるものは何もありません。ただし音声はその運営者のサーバーへ届きます。顧客名や社内の数字が入った音声では使わないでください。

やり方2：OpenAIのAPIに投げる（30分）

1. OpenAIのアカウントを作り、支払い方法を登録して、APIの鍵を発行する
2. 音声ファイルを25MB以下にする（下の「25MBの上限」を参照）
3. 音声認識の窓口（/v1/audio/transcriptions）へ、モデル名と音声ファイルを送る
4. 返ってきた文字を受け取る

プログラムを書かなくても、コマンド1行で送れます。1時間の会議1本でおよそ0.36ドル（whisper-1の場合）なので、費用が理由で止まることはほとんどありません。

やり方3：自分のMacで動かす（半日）

1. Macで現実的な実装であるwhisper.cppを入れる
2. モデルのファイルを1つ落とす（turboの軽量化版で約550MB）
3. 音声ファイルを指定して実行する
4. 短い音声を何度も処理するなら、常駐させる形にする（後述。ここを外すと「遅い」という結論になります）

手順の細部とつまずきどころはWhisperをローカルで動かす文字起こしに分けて書いてあります。音声がどこへも出ていかないのは、この3つめだけです。

APIには25MBの上限がある

見落としやすいのがここです。公式ドキュメントには「ファイルは25MBまで」と書かれています。対応形式はmp3・m4a・wav・webmなど（公式の案内ページとAPI仕様書で挙げている形式の数が違うので、使う形式は公式のページで確かめてください）。25MBを超える録音は圧縮するか、25MB以下に分割する必要があります。

そのうえで公式は、分割について「文の途中で分割することは避けてください。文脈が失われて精度が落ちます」と注意しています。長い会議録を機械的に等分すると、切れ目の前後だけ明らかに精度が落ちるのはこれが理由です。無音のところで切る道具を挟むのが定石になります。

3つのうち、どれを選ぶか

• 1回きり・お試し：ブラウザで十分です。環境づくりの時間のほうが高くつきます
• 本数が多い・自分の機械が非力：APIが素直です。1時間で0.36ドルなら、環境づくりの手間を買う価値があります
• 顧客の名前が入っている・社外に出せない：自分のMacで動かす一択です。ここだけは費用ではなく条件の問題なので、他の2つでは代わりになりません

モデルの違い（turboとlarge-v3）

Whisperには大きさ違いのモデルがあります。公式リポジトリの表がこれです。

モデル	パラメータ数	必要なVRAM	相対的な速さ
tiny	3,900万	約1GB	約10倍
base	7,400万	約1GB	約7倍
small	2億4,400万	約2GB	約4倍
medium	7億6,900万	約5GB	約2倍
large	15億5,000万	約10GB	1倍（基準）
turbo	8億900万	約6GB	約8倍

公式の説明では「turboはlarge-v3を最適化したもので、精度の低下を最小限に抑えつつ、より速い文字起こしができます」。モデルカードには、文章を組み立てる側の層を32から4に減らしたため「わずかな品質低下と引き換えに、はるかに速くなった」と書かれています。

当社は日本語でのモデル同士の精度比較を測っていませんので、ここでは「どれがいちばん精度が高いか」は書きません。分かっているのは、公式が「turboは速いかわりにわずかに品質が落ちる」と明言していることと、当社の製品ではturboの軽量化版（約550MB）を採用していることです。モデルごとの向き不向きの考え方はWhisperのモデルはどれを選ぶべきかにまとめました。

速さの話。当社の実測では10分が約23秒だった

「ローカルで動かすと遅いのでは」という心配をよく見ますが、数字で見ると印象が変わります。

当社の開発機（MacBook Air・Apple M5・メモリ24GB／turboの軽量化版）で測ると、10分の録音を文字にするのに22.9秒でした。実時間の26.2倍の速さです。1時間の録音なら2分20秒ほどの計算になります。

条件を2つ書いておきます。これはモデルを読み込み終わった状態（常駐）での認識時間で、読み込みの時間は含んでいません（後述のとおり、そこに約9秒かかります）。またApple M5という新しい機械での値です。当社製品の動作条件はApple Siliconの世代を問いませんが、世代が古いMacでは時間は伸びます。そこは実測していないので、数字は出しません。

では、なぜ「遅い」という声があるのか。速さの前に、作り方で差がつきます。

やり方	1回あたりの時間
コマンドを都度呼ぶ（毎回モデルを読み直す）	9.4秒
常駐させておく（サーバーとして立ち上げっぱなしにする）	0.5〜0.8秒

同じ環境での実測です。モデルを読み込む時間が毎回まるごと乗るので、短い音声を1回ずつ処理する使い方だと、9.4秒のうちほとんどが待ち時間になります。

用途によって、この差が問題になったりならなかったりします。

• 録音ファイルをまとめて文字にするなら、都度呼ぶ形で構いません。読み込みの9秒は全体から見れば誤差です
• 短い音声を何度も処理する（音声入力など）なら、常駐は必須です。ここを外すと「使えない」という結論になります

ここからが本題。Whisperにできないこと

当社が上位20件の見出しを数えたところ、「使い方」「インストール」「環境構築」のいずれかを掲げている記事が11件ありました。動かすところまでは、すでによく書かれています。実際に業務で使うと詰まるのは動かしたあとなので、当社が測った結果をそのまま出します。

測り方：8つの文（採点する語は18語）を用意し、Macの読み上げ音声2種類（Kyoko・Otoya）で読ませて、当社製品の認識エンジン（turboの軽量化版）に投げました。採点は18語が字面どおり出たかどうかだけで、助詞のゆれや句読点は数えていません。測定日は2026年8月23日です。

先に限界を書きます。声は人間ではなくMacの読み上げです。合成音声は発音がきれいすぎるので、人が喋ったときの数字とは変わります。下の数字は「読み上げ音声での結果」として読んでください。

その1：固有名詞は勝手には直らない

何も渡さない状態での正解率は47.2%（36語中17語）でした。半分以上が化けています。化け方はこうです。

言いたかった語	出てきた文字
ヒバナ（社名）	火花／ひばな
神林（人名）	上林
補償	保証
仕訳	仕分け
与信枠	予診枠

「補償」と「保証」、「仕訳」と「仕分け」のように、音が同じで意味が違う語が特に危ないと分かります。読み返しても目が滑るからです。当社が試したturboの軽量化版では、この種の取り違えが目立ちました。大きいモデルなら消えるのかどうかは、当社では測っていません。

その2：先に語を渡すと75.0%まで上がる。ただし残りは残る

Whisperには、あらかじめ「こういう言葉が出ますよ」と伝えておく仕組みがあります（この記事では以下「辞書」と呼びます）。日本語入力の単語登録のように確定で置き換わるものではなく、認識のたびにヒントとして渡すものだと考えてください。当社製品の「じぶん辞書」も、この仕組みの上に作っています。

18語（68字）を渡して測り直すと、正解率は75.0%（36語中27語）。27.8ポイントの改善です。それでも4語に1語は化けたままで、ここが「できないこと」の入口になります。

	正解率	認識にかかった合計
辞書なし	47.2%	9.0秒
辞書あり（18語・68字）	75.0%	8.6秒

右の列は、渡しても遅くならなかったことを示しています（各1回の計測なので、0.4秒の差そのものは誤差の範囲として見てください）。速さを犠牲にせずに正解率が上がるので、固有名詞が多い仕事では最初にやる価値があります。

その3：辞書は長いほうが効くとは限らない

ここからが、あまり書かれていない話です。同じ語を渡しているのに、辞書が長いと効きませんでした。

辞書	与信枠	決裁
渡さない	✗ 予診枠	✗ 決済／記載
18語・68字（全部入り）	✗ 予信枠	△ 声によって割れる
4語だけに絞る	○ 与信枠	○ 決裁

68字でも「入れすぎ」でした。渡す語が増えるほど1語あたりの影響が薄まるためで、「登録する語は多いほどよい」ではありません。

実務での使い方としては、全部を登録するのではなく、その日・その案件で出てくる語だけを入れ替えるほうが当たります。なお当社製品では、一度に渡す量に上限（185字）を設けています。枠に入りきらない語は、認識したあとに文字を置き換える処理で拾うという作りです。

その4：どうやっても直らない語がある

「稟議書」は4通り試して、1度も正しく出ませんでした。

試したこと	結果
何も渡さない	✗ 倫義書・倫理書
18語68字の辞書に入れる	✗ 倫議書
4語に絞って入れる	✗ 倫議書
語ではなく文脈で入れる（「稟議書の決裁」）	✗ 倫理書

辞書は万能ではありません。こういう語は、認識したあとに文字を置き換える処理（後処理）で直すしかありません。「単語登録すれば直る」という前提で導入すると、ここで足をすくわれます。

その5：同じ辞書でも、喋る人が変わると結果が変わる

今回いちばん意外だったのがこれです。同じアプリ・同じ辞書・同じ台本でも、声を変えると結果が割れました。下の表は「実測」という語で試した結果です。

声	辞書なし	辞書あり
Kyoko	○ 実測	○ 実測
Otoya	✗ 時速	✗ 時速（渡しても直らない）

「渡邊」も同じ向きで割れました（辞書ありでKyokoは○、Otoyaは✗で「渡辺」）。

ここから言えるのは「他人のレビューは、あなたの結果を保証しない」ということです。導入を決めるときは、自分の機械で、自分の声で、自分がよく使う言葉で試す。この3つが揃っていない試し方だと、判断を間違えます。精度そのものの考え方は音声入力の精度は100点でなくてよいにも書きました。

そのほかの限界（先に知っておくと事故りません）

• 無音のところで、ありもしない文が出ることがある。「ご視聴ありがとうございました」のような文が突然混ざるのがこれです。原因と対処はWhisperが無音で幻の文を出す理由にまとめました
• 話しながら画面に文字が出ていく形（リアルタイム）には向いていない。Whisperは30秒のかたまりを前提に設計されているためです。公式にも「30秒の枠を滑らせながら処理する」と書かれています。詳しくはWhisperでリアルタイム文字起こしはできる？へ
• 誰が喋ったかの区別（話者分離）は、そのままでは出ません。会議録で「Aさん：」「Bさん：」と分けたい場合、自分で動かすなら別の道具を組み合わせることになります。APIには話者を分ける専用のモデル（gpt-4o-transcribe-diarize）が用意されています
• 句読点や表記のゆれは残ります。「10分」「十分」のような表記は揺れるので、あとから置き換える前提で運用するほうが早いです

「無料」の中身。ライセンスはモデルごとに違う

Whisperは無料ですが、「MITライセンスだから何でもできる」とまとめてしまうのは危ないので、ここは正確に書きます。同じOpenAIの掲載でも、モデルによって表記が違います。

どこ	ライセンス表記
公式リポジトリ（コードとモデルの重み）	MIT
large-v3-turbo のモデルカード	MIT
large-v3 のモデルカード	Apache-2.0

個人で文字起こしをするぶんには、どちらでも困りません。ただし自社の製品やサービスに組み込んで配る場合は、表記の義務が変わります。使うモデルを差し替えるときは、そのモデルの配布ページを自分で開いて取り直してください。まとめ記事の1行を信じないほうがいいところです（2026年8月24日時点で確認した内容です）。

よくある質問

Whisperの文字起こしは有料ですか

自分の機械で動かすなら無料です。コードもモデルの重みも公開されていて、ダウンロードにも利用にも料金はかかりません。有料になるのはOpenAIのAPIに投げるときで、2026年8月24日時点で1分あたり0.003〜0.006ドルです。「Whisperは有料」と書かれている場合、たいていAPIのほうの話をしています。

無料で何分までできますか

自分の機械で動かす場合、分数の上限はありません。制約になるのは時間と保存容量だけです。当社の実機（Apple M5・24GB）では10分の録音が22.9秒だったので、単純計算で1時間の録音なら2分20秒ほどです。

一方APIには25MBというファイルの上限がありますので、長い録音は圧縮するか分割することになります。これは分数ではなく容量の制限なので、音質を落とせば1本に入る時間は伸びます。

日本語の精度はどのくらいですか

当社が測ったのは固有名詞18語の字面だけなので、日本語全体の精度はこの記事では申し上げられません。分かっているのは、その18語について何も渡さないと47.2%、渡すと75.0%だったことです。数字は喋る人・録音環境・言葉の種類で大きく動きますので、他人の数字ではなく自分の音声で試してください。

録音した音声は外部に送られますか

やり方によります。自分の機械で動かす場合はどこにも送られません。APIに投げる場合とブラウザの実演ページを使う場合は、音声が相手のサーバーに届きます。顧客名や社内の数字が入った音声は、この違いが決定的です。考え方はクラウドに上げた音声はどこへ行くのかにまとめました。

WindowsやiPhoneでもできますか

Whisper自体はWindowsでも動きます（この記事の実測はMacのものです）。iPhoneについては、当社は測っていませんので、できる・できないは書きません。なお当社製品のロカオンはMac専用で、Windowsには対応していません。iPhone版は開発中です。

で、あなたに必要なのは文字起こしですか、音声入力ですか

最後にもう一度、入り口の話に戻ります。

• 録音を、あとからまとめて文字にしたい → 文字起こしです。この記事の3つのやり方から選んでください。常駐は不要なので、環境づくりも軽くて済みます
• 喋って、そのまま画面に文字を入れたい → 音声入力です。常駐させる・語を毎回渡す・上限を守るという作り込みが要ります

後者には、Whisperを使わない選択肢もあります。macOSには標準の音声入力があり、追加の費用はかかりません。まずはそちらを試して、固有名詞の化け方が我慢できる範囲なら、それで足ります。設定の勘所はMacの音声入力を実用にする設定に書きました。

標準機能で足りなかった方へ。当社製品であるロカオンは、ローカルで完結する音声入力アプリです。この記事で書いた落とし穴（都度読み込み・渡しすぎ・直らない語）を全部踏んだうえで作りました。turboの軽量化版（約550MB）を常駐させていて、人名や社名を登録する「じぶん辞書」があり、画面もメニューも日本語です。

当社が劣るところも先に書きます。

• Windowsには対応していません。Windows中心の方は、この記事の3つのやり方か、他社のアプリを見てください
• iPhone版は開発中です。現在はMac版のみ先行しています
• 使い放題（1回10分まで）は有料です。macOS標準の音声入力は0円で回数の上限もないので、そこは勝てません。年払いで年6,600円（税込・月あたり550円）、月払いは月770円（税込）
• その代わり1日10回まで（1回1分まで）は無料で使い続けられます。最初の10日間は回数の制限なし（1回10分まで）、クレジットカードの登録も要りません（無料のまま使い続けても、自動で課金される作りにはしていません）
• 動作条件はmacOS 26以降（Apple Silicon）です

そして、この記事の「その5」で書いたとおりです。試すときは、必ず自分の声で、自分がよく使う言葉を喋ってみてください。当社の実測ですら、声が変わるだけで結果が割れています。

この記事の調べ方

• Whisperのライセンス・モデル表・turboの説明・30秒の枠はOpenAIの公式リポジトリの記載（2026年8月24日確認）。引用文は原文のままです
• 99言語・受容野30秒・Apache-2.0の表記はlarge-v3のモデルカード、MITの表記と層を32から4に減らした説明はlarge-v3-turboのモデルカード（同日確認）
• 25MBの上限・分割時の注意・話者分離のモデル名はOpenAIの音声認識ガイド（同日確認）。対応形式は、この案内ページが7種類を挙げているのに対し、API仕様書ではflacとoggを含む9種類という記載も確認しました。食い違うので記事では代表的なものだけを挙げています、1分あたりの料金は公式の料金ページ（同日確認）。料金は変わります。導入前にご自身で確認してください
• 上位20件の見出しの数え方：狙いキーワードでの検索上位20件について、タイトルと見出しに「使い方」「インストール」「環境構築」のいずれかを含むものを数えました（2026年8月24日時点・11件）
• 10分＝22.9秒（26.2倍速）、都度呼ぶと9.4秒／常駐なら0.5〜0.8秒は、当社が2026年8月に実機で測った値です。環境は MacBook Air（Apple M5・メモリ24GB）／large-v3-turboの軽量化版（約550MB）。認識にかかった時間で、モデルの読み込みは別勘定です。他の環境で同じ数字になることを保証するものではありません
• 辞書の実測（47.2%→75.0%、68字と4語の差、稟議書が4通りとも×、Kyoko／Otoyaで結果が割れた件）は、当社が2026年8月23日に測った結果です。声は人間ではなくMacの読み上げ音声、採点は指定18語の字面のみ、各条件1回の計測。人が喋った場合の数字とは変わります

本メディア「ロカオン研究室」は、ローカルで完結する音声入力アプリ「ロカオン」を開発する合同会社ヒバナが運営しています。他社製品も、当社製品と同じ物差しで確認して書きます。記事中の他社製品の権利は各社に帰属します。